Kotimaisen kalan edistämisohjelma

Tämä sivu on tietokide alatyypiltään arviointi. Sivutunniste: Op_fi5923
Moderaattori:Jouni (katso kaikki) Sivun edistymistä ei ole arvioitu. Arvostuksen määrää ei ole arvioitu (ks. peer review).
Lisää dataa {{#opasnet_base_link:Op_fi5923}}

Kysymys

Mikä olisi kalansyönnin lisääntymisen terveysvaikutus Suomessa?

Oletettu käyttö ja käyttäjät

Tässä arvioinnissa tarkastellaan skenaarioita, joissa suomalaisten kalansyöntiä lisättäisiin kotimaisen kalan edistämisohjelmalla. Tietoja käyttäisivät mm. Luke, MMM ja YM.

Osallistujat

• Jouni Tuomisto, THL

Rajaus

Tilannetta tarkastelleen toisaalta toteutuneeseen 2017 tilanteeseen ja toisaalta skenaarioihin vuodelle 2027, kun on joko lisätty kotimaisen kalan tuotantoa tai tuontia.

Vaihtoehdot

• Kotimaisen kalan käytön lisääminen
• Viljellyn kalan tuonnin lisääminen

Aikataulu

Alustavia arvioita pyritään tuottamaan maaliskuun 2020 aikana.

Vastaus

Tulokset

Arviointimallin keskeiset tulokset.

Päätelmät

Vastaus arvioinnin pääkysymykseen ja muihin kysymyksiin tulosten perusteella.

Perustelut

Data

Kalansyönti Suomessa eri skenaarioissa (milj kg/a kokonaiskalana)

Kalaryhmä	BAU 2017	Kotimainen edistäminen	Tuonnin edistäiminen
Kirjolohi suomalainen	11	45	11
Kasvatettu muu suomalainen	1	8	3
Silakka	4	18	8
Kaupallinen luonnonkala	6	12	8
Vapaa-ajan saalis	20	20	20
Tuontilohi	36	38	67
Tuontikirjolohi	8	8	17
Muu tuonti	28	28	28

Eräs keskeisistä terveysvaikutuksiin vaikuttavista oletuksista on, kuka lisääntyneen kalan söisi. Mahdollisia tapoja ajatella:

• Syöntiä muutetaan nykysyönnin suhteessa.
• Jokainen suomalainen syö vakiomäärän kalaa enemmän.
• Kalansyönnin edistämistä suunnataan tietyille väestöryhmille, ja vaikutukset tulevat siellä (mihin?).
• Vaikutukset jakautuvat satunnaisessa määrin eri yksilöille.

Laskenta

Avoimen arvioinnin mallikoodi on kirjoitettu R:llä ja se löytyy Githubista.

Data

Mitä kaikkea kuuluu vähäiseen hedelmien tai vihannesten syöntiin?

• Vähähedelmäinen ruokavalio: hedelmien kulutus alle 3 annosta päivässä (310 g yhteensä) (sisältää tuoreet, pakastetut, keitetyt, säilötyt ja kuivatut hedelmät mutta ei sisällä hedelmämehuja tai suolaan tai etikkaan säilöttyjä hedelmiä) http://www.healthdata.org/terms-defined. Diet low in fruits: Consumption of less than 3 servings (310 g total) of fruits per day (includes fresh, frozen, cooked, canned, or dried fruit but excludes fruit juices and salted or pickled fruits).
• Vähävihanneksinen ruokavalio: vihannesten kulutus alle 4 annosta (400 g yhteensä) (sisältää tuoreet, pakastetut, keitetyt, säilötyt ja kuivatut vihannekset mukaan lukien palkokasvit mutta ei sisällä suolaan tai etikkaan säilöttyjä vihanneksia eikä pähkinöitä, siemeniä tai tärkkelyspitoisia vihanneksia kuten perunaa tai maissia). Diet low in vegetables: Consumption of less than 4 servings (400 g total) of vegetables per day (includes fresh, frozen, cooked, canned, or dried vegetables including legumes but excluding salted or pickled, juices, nuts and seeds, and starchy vegetables such as potatoes or corn).

Luken tilastoista löytyy tietoja kalansyönnistä Suomessa. Järvikalaa ei ole eritelty, mutta muut kuin viljellyt ja merilajit ovat yhteensä 2.6 kg/a henkeä kohti. [3]. Kalansyöntidatat löytyvät myös Opasnetistä op_en:Goherr: Fish consumption study.

Voiko DALYt muuntaa euroiksi, ja miten se tehdään?

• Drake ehdottaa globaalin arvon päättämistä DALYn hinnaksi, samaan tapaan kuin 1,25 dollarin alittava päivätulo on määritelty absoluuttiseksi köyhyydeksi. Tällöin kaikki tuota hintaa kustannustehokkaammat toimet kannattaisi tehdä joko kansallisin, tai jos se ei jostain syystä onnistu, kansainvälisin toimin. Hän ei kuitenkaan ehdota suuruutta tälle hinnalle.
• Brent on analysoinut implisiittisiä hintoja DALYlle Global Fund for AIDS, Tuberculosis, and Malaria -säätiön rahoituspäätöksistä. DALYn hinta näyttää olevan 6300 USD kaikille taudeille keskimäärin, ja 11900 USD erityisesti HIV/AIDSille. Globaalit luvut ovat toki pienemmät kuin mitä rikkaissa länsimaissa katsottaisiin aiheelliseksi käyttää.
• Erilaisista arvioinneista löytyy vaihtelevia lukuja yhden DALYn rahalliselle hinnalle. Esimerkiksi IOMin Shecan-projekti käytti arvoa 50393 €/menetetty elinvuosi, ja IGCB(N)-meluarviointiryhmä käyttää arvoa 60000 GBP/QALY (laatupainotettu elinvuosi) mutta samalla toteaa, että eri arvioinneissa arvot voivat vaihdella välillä 29000 - 130000 GBP/QALY.
• Berryn ja Flindellin mukaan Isossa-Britanniassa käytäntö on muodostunut sellaiseksi, että lääkkeet tai muut lääketieteelliset toimenpiteet saavat kansallisessa terveysjärjestelmässä helposti puollon, jos ne tuottavat yhden terveen elinvuoden alle 20000 GBP:n kustannuksilla. Tyypillisesti toteutetaan hankkeita tasolla 30000 GBP/QALY, mutta hankkeilta hinnaltaan yli 50000 GBP/QALY vaaditaan erityisiä perusteluja.
• Toisaalta Hammitt todistelee, että hinta per tilastollinen elämä (value per statistical life, VSL) ja hinta per DALY muuttuvat epälineaarisesti suhteessa toisiinsa, eikä näin ollen olisi mahdollista käyttää hyvinvointimuutoksen mittarina vakiolla kerrottua DALY-arvoa, ainakaan taloudellisen hyvinvointiteorian (economic welfare theory) puitteissa.

Pitoisuusanalyysien kustannukset on poistettu tästä.

Trikiinin valvontakustannukset: Tämän artikkelin mukaan trikiinin DALYt ovat vain luokkaa 100 DALY/miljardi ihmistä, joten valvonta ei ole mielekästä.

Skenaarioista

Tyydyttyneen rasvan ja suolan osalta tarkastellaan sydänmerkkiaterioita. Oletetaan, että kaikki lounasruokaloiden ateriat muuttuvat sydänmerkkiaterioiksi. Väestön suuruudeksi oletetaan nykyinen lounaspaikkaruokailijoiden päivittäinen määrä eli 279000, ja heille oletetaan pysyvä muutos ruokavalioon.

Kun ei murehdita altistusjakaumasta, voidaan keskimääräisestä saannista vähentää vähennys, ja tämä muutos kohdennetaan vain 25-69-vuotiaaseen alaryhmään (jos alaryhmä on kyseiselle vasteelle määritelty). Skenaariossa kerrotaan PAF luvulla, joka saa arvon 1 nykyisellä altistuksella ja arvon 0 suosituksen mukaisella arvolla. Tätäitä laimennetaan altistujien osuudella. Niinpä käytetään tätä kaavaa kertoimen laskemiseksi:

PAF_factor = 1-(reduction / (intake-recommendation)) * eaters / population

Suola:

Sydänmerkki vähensi 2016 suolan saantia 1 g/d eli 4.2-5.2 g/vk eli 10 %. Tässä oletetaan 3.3-5.1 g/vk vähennys eli 0.471 - 0.729 g/d myös viikoloput huomioiden. Jula (2011) arvioi, että 1 g/d vähennys koko väestössä alentaa kustannuksia 70 Me/a. (Tarkista onko tautitaakkaa!)

Suositus on enintään 5 g/d. Nykysaanti (Valsta 2018) on miehillä 8.7 g/d ja naisilla 6.4 g/d ja tätä käytetään tasajakaumana koko väestölle, koska sukupuolia ei tarkastella erikseen.

Rasva:

Sydänmerkkiateria vähensi saantia 14 E%:sta 10 E%:iin. Tässä oletetaan, että vähennys on 22.0-58.1 g/vk.

Suositus on enintään 10 E%.

Valsta (2018): Tyydyttyneiden rasvahappojen osuus kokonaisenergiasta oli naisilla 14 % (28 g/vrk) ja miehillä 15 % (38 g/vrk). Naisilla muuntosuhde on 2 g /d /E% ja miehillä 2.53 g /d /E%, käytetään 2.25 g /d /E%. Grammamääräinen altistus on muutettava energiaosuudeksi.

22.0-58.1 g/vk / (7d/vk) / (2.25 g /d /E%) = 1.397 - 3.689 E%

Näiden tietojen avulla lasketaan PAF-kertoimen jakauma, joka sijoitetaan päätöstauluun päätöksenä Scenario ja vaihtoehtona Action.

Malliparametrit

Malliparametrit saat näkyviin klikkaamalla.

Näytä yksityiskohdat

Malliparametrit(various) Obs Response Exposure_agent Type Subgroup Unit Result Description 1 CHD death BoD Age:Female 25-69 DALY 9876 (9103 - 10784) Z:\Projects\RUORI\tautitaakka\Rasvat\IHD_data_IHME.csv 2 CHD death BoD Age:Male 25-69 DALY 48851 (54035 - 46123) Z:\Projects\RUORI\tautitaakka\Rasvat\IHD_data_IHME.csv 3 CHD death BoD Age:Age 25-69 DALY 58727 (63138 - 56907) Summed from previous 4 CHD death BoD Age:Female 70+ DALY 42750 (41007 - 45909) Z:\Projects\RUORI\tautitaakka\Rasvat\IHD_data_IHME.csv 5 CHD death BoD Age:Male 70+ DALY 48150 (46327 - 51255) Z:\Projects\RUORI\tautitaakka\Rasvat\IHD_data_IHME.csv 6 CHD death BoD Age:Age 70+ DALY 90900 (87334 - 97164) Summed from previous 7 Diet high in sodium BoD Age:Total population DALY 1310 : 27670 : 66420 IHME GBD2017. Triangular distribution used because normal would go below zero 8 Diet low in fruits BoD Age:Total population DALY 36050 (20570 - 54800) IHME GBD2017 http://ghdx.healthdata.org/gbd-results-tool?params=gbd-api-2017-permalink/da3bde44e863adb438c5fb47a89942fb 9 Diet low in vegetables BoD Age:Total population DALY 28440 (14190 - 45960) IHME GBD2017 10 Liver cancer BoD Age:Age 25-64 DALY 2499 (2018 - 3115) From IHME (2014) 11 Liver cancer BoD Age:Age 65-74 DALY 2745 (2245 - 3311) From IHME (2014) 12 dummy case burden Age:Female 25-69 DALY /case 0 Needed for case_burden to cover all Ages 13 dummy case burden Age:Female 70+ DALY /case 0 Needed for case_burden to cover all Ages 14 dummy case burden Age:Male 25-69 DALY /case 0 Needed for case_burden to cover all Ages 15 dummy case burden Age:Male 70+ DALY /case 0 Needed for case_burden to cover all Ages 16 dummy case burden Age:Age 25-64 DALY /case 0 Needed for case_burden to cover all Ages 17 dummy case burden Age:Age 65-74 DALY /case 0 Needed for case_burden to cover all Ages 18 IQ loss case burden Age:Age 1 DALY /IQ 0.11 (0.06 - 0.16) Arja used 0.013 but here we use Goherr value instead 19 Listeriosis case burden Age:Total population DALY/case 10 (5 - 13.3) WHO 2015 report, European values (Table A8.2) 20 Noro infection case burden Age:Total population DALY/case 0.0015 - 0.0025 WHO 2015 report, European values (Table A8.2) 21 Toxoplasmosis case burden Age:Age 0 (congenital) DALY/case 7 (3 - 10) WHO 2015 report, European values (Table A8.4) 2 (1-3) / 0.3 22 Toxoplasmosis case burden Age:Age 1+ (acquired) DALY/case 0.05 (0.03 - 0.08) WHO 2015 report, European values (Table A8.4) 6 (4 - 10) / 119 23 Cancer morbidity case burden Age:Female 18-45 DALY/case 0 - 0.28 Goherr assessment 24 Cancer morbidity case burden Age:Non female 18-45 DALY/case 0 - 0.28 Goherr assessment 25 Sperm concentration case burden Age:Age 1 DALY/case 0 - 5 Goherr assessment 26 Yes or no dental defect case burden Age:Age 1 DALY/case 0 - 0.12 Goherr assessment 27 Aflatoxin exposure Exposure:To eater; Age:Age 25-64 ng /kg /d 0.85 - 1.14 Finravinto 2012 28 Aflatoxin exposure Exposure:To eater; Age:Age 65-74 ng /kg /d 0.5 - 0.67 Finravinto 2012 29 TEQ exposure Exposure:To child; Age: Age 1 pg /g 1.65 (0.38 - 3.47) Ruori code; data from Goherr assessment 30 TEQ exposure Exposure:To eater; Age: Female 18-45 pg /d 4.79 (1.07 - 11.48) Ruori code; data from Goherr assessment 31 TEQ exposure Exposure:To eater; Age: Non female 18-45 pg /d 22.61 (9.43 - 44.75) Ruori code; data from Goherr assessment 32 Lead exposure Exposure:To eater; Age:Age 1 ug /l 2:12:30 Measured as blood concentration, triangular distribution for Age 1. RASKURI, Z:\Projects\RUORI\tautitaakka\Lyijy\Lyijy_tautitaakkadata.xlsx 33 Saturated fat exposure Exposure:To eater; Age:Age 25-69 E% 13.1 (12.9 - 13.4) Finland, 2010 situation from Wang et al. Supplementary 34 Saturated fat exposure Exposure:To eater; Age:Age 70+ E% 13.2 (12.8 - 13.6) Finland, 2010 situation from Wang et al. Supplementary 35 Aflatoxin frexposed Age:Age 25-64 fraction 1 dummy variable 36 Aflatoxin frexposed Age:Age 65-74 fraction 1 dummy variable 37 Lead frexposed Age:Age 1 fraction 1 Already in the exposure distribution 38 TEQ frexposed Age:Age 1 fraction 1 frexposed is already in the exposure distribution 39 TEQ frexposed Age:Female 18-45 fraction 1 frexposed is already in the exposure distribution 40 TEQ frexposed Age:Non female 18-45 fraction 1 frexposed is already in the exposure distribution 41 IQ loss incidence Age:Age 1 IQ /100000py 596000 On average, a population has ca. 6 IQ points per person below 100: mean(abs(rnorm(10000, 100,15)-100))/2 42 Listeriosis incidence Age:Total population # /100000py 1.22 Tartuntatautirekisteri 2016: 66 kpl. WHO 2015 report, European values (Table A8.2): 0.2 (0.2 - 0.3) 43 Liver cancer incidence Age:Age 25-64 # /100000py 4.06 Finnish Cancer Registry, average 2011-2015 44 Liver cancer incidence Age:Age 65-74 # /100000py 26.16 Finnish Cancer Registry, average 2011-2015 45 Noro infection incidence Age:Total population # /100000py 1652 (630 - 3294) WHO 2015 report, European values (Table A8.2) 46 Toxoplasmosis incidence Age:Age 0 (congenital) # /100000py 35 (23 - 81) WHO 2015 report, European values (Table A8.4) Numbers are per whole population, so scale up to Age0: 0.3 (0.2 - 0.7) * 5517919/47663 47 Toxoplasmosis incidence Age:Age 1+ (acquired) # /100000py 119 (79 - 188) WHO 2015 report, European values (Table A8.4) 48 Cancer morbidity incidence Age:Female 18-45 # /100000py 657 Statistics Finland https://tilastot.syoparekisteri.fi/syovat/ applies to all subgroups because cancer is lifetime risk 49 Cancer morbidity incidence Age:Non female 18-45 # /100000py 657 Statistics Finland https://tilastot.syoparekisteri.fi/syovat/ applies to all subgroups because cancer is lifetime risk 50 Sperm concentration incidence Age:Age 1 # /100000py 7000 Male infertility rate is 7 % (Wikipedia) 51 Yes or no dental defect incidence Age:Age 1 # /100000py 22400 Alaluusua et al 2004 found 11/49 cases in two lowest groups 52 Diet low in fruits Fruits PAF Age:Total population fraction 1 dummy variable 53 Listeriosis Listeria PAF Age:Total population fraction 1 dummy variable 54 Noro infection Noro virus PAF Age:Total population fraction 1 dummy variable 55 CHD death Saturated fat PAF Age:Age 25-69 fraction 0.064 (0.050 - 0.078) Finland, 2010 situation from Wang et al. Supplementary 56 CHD death Saturated fat PAF Age:Age 70+ fraction 0.048 (0.033 - 0.063) Finland, 2010 situation from Wang et al. Supplementary 57 Diet high in sodium Sodium PAF Age:Total population fraction 1 dummy variable 58 Toxoplasmosis Toxoplasma gondii PAF Age:Age 0 (congenital) fraction 1 dummy variable 59 Toxoplasmosis Toxoplasma gondii PAF Age:Age 1+ (acquired) fraction 1 dummy variable 60 Diet low in vegetables Vegetables PAF Age:Total population fraction 1 dummy variable 61 population Age:Age 1 50934 Statistics Finland, 2018 https://pxnet2.stat.fi:443/PXWeb/sq/ac3373d0-e303-4c67-b32a-73c6d26df809 62 population Age:Age 25-64 # 2814305 Statistics Finland 63 population Age:Age 65-74 # 692868 Statistics Finland 64 population Age:Age 25-69 # 3176513 Statistics Finland 65 population Age:Age 70+ # 842629 Statistics Finland 66 population Age:Total population # 5517919 Statistics Finland 67 population Age:Age 0 (congenital) # 47663 Statistics Finland 68 population Age:Age 1+ (acquired) # 5470256 Statistics Finland 69 population Age:Female 18-45 # 923697 Statistics Finland 70 population Age:Non female 18-45 # 4594222 Statistics Finland 71 Hepatitis prevalence Hepatitis:Hepatitis B- fraction 0.005 TerveSuomi 72 Hepatitis prevalence Hepatitis:Hepatitis B+ fraction 0.995 TerveSuomi 73 Saturated fat scenario exposure Age:Male 18-24 E% 14.9 Finravinto 2017. Supplementary table 7.12. Average daily intake of saturated fats by gender and age. 74 Saturated fat scenario exposure Age:Male 25-44 E% 15.2 Finravinto 2017. Supplementary table 7.12. Average daily intake of saturated fats by gender and age. 75 Saturated fat scenario exposure Age:Male 45-64 E% 15.3 Finravinto 2017. Supplementary table 7.12. Average daily intake of saturated fats by gender and age. 76 Saturated fat scenario exposure Age:Male 65-74 E% 14.4 Finravinto 2017. Supplementary table 7.12. Average daily intake of saturated fats by gender and age. 77 Saturated fat scenario exposure Age:Female 18-24 E% 13.8 Finravinto 2017. Supplementary table 7.12. Average daily intake of saturated fats by gender and age. 78 Saturated fat scenario exposure Age:Female 25-44 E% 14.8 Finravinto 2017. Supplementary table 7.12. Average daily intake of saturated fats by gender and age. 79 Saturated fat scenario exposure Age:Female 45-64 E% 14.3 Finravinto 2017. Supplementary table 7.12. Average daily intake of saturated fats by gender and age. 80 Saturated fat scenario exposure Age:Female 65-74 E% 14.0 Finravinto 2017. Supplementary table 7.12. Average daily intake of saturated fats by gender and age. 81 IQ loss Lead threshold Age:Age 1 ug /l 0-24 Lanphear et al 2005 https://doi.org/10.1289/ehp.7688 CHECK THRESHOLD 82 Liver cancer Aflatoxin UR Hepatitis:Hepatitis B- # /(ng /kg /d /100000py) 0.01 (0.002 - 0.03) WHO Is this per year or per lifetime? 83 Liver cancer Aflatoxin UR Hepatitis:Hepatitis B+ # /(ng /kg /d /100000py) 0.3 (0.01 - 0.5) WHO Is this per year or per lifetime? 84 IQ loss Lead UR Age:Age 1 IQ l /ug 0.039 (0.024 - 0.053) Lanphear et al 2005 https://doi.org/10.1289/ehp.7688 using the first increment from 24 to 100 ug/l 85 Sodium reduction Age:Total population g /d 0.471 - 0.729 RUORI estimates 3.3-5.1 g/week reduction for workplace lunches with heart-friendly label 86 Sodium intake Age:Total population g /d 6.4 - 8.7 Valsta 2018 estimated the lower value for females and upper for males. 87 Sodium recommendation Age:Total population g /d 5 Finnish recommendation by Ruokavirasto 88 Sodium eaters Age:Total population # 279000 RUORI estimate based on Taloustutkimus 2010 89 Saturated fat reduction Age:Age 25-69 E% 1.397 - 3.689 RUORI estimates 22.0 - 58.1 g /week, and on average 2.25 g /d /E% 90 Saturated fat intake Age:Age 25-69 E% 14 - 15 Valsta 2018 estimated the lower value for females and upper for males. 91 Saturated fat recommendation Age:Age 25-69 E% 10 Recommendation by Ruokavirasto? 92 Saturated fat eaters Age:Age 25-69 # 279000 RUORI estimate based on Taloustutkimus 2010 93 Vegetables reduction Age:Total population g /d -30 - 0 RUORI estimates that the consumption increases by 0-14% (up to the % change of tax reduction) i.e. 0.14*213. 94 Vegetables intake Age:Total population g /d 196 - 213 Valsta 2018 estimated the lower value for males and upper for females. (vegetables, legumes, nuts) 95 Vegetables recommendation Age:Total population g /d 400 Recommendation by IHME 96 Vegetables eaters Age:Total population # 5470256 RUORI estimate based on Taloustutkimus 2010 97 Fruits reduction Age:Total population g /d -26 - 0 RUORI estimates that the consumption increases by 0-14% (up to the % change of tax reduction) i.e. 0.14*189. 98 Fruits intake Age:Total population g /d 135 - 189 Valsta 2018 estimated the lower value for males and upper for females. (fruits and berries) 99 Fruits recommendation Age:Total population g /d 310 Recommendation by IHME 100 Fruits eaters Age:Total population # 5470256 RUORI estimate based on Taloustutkimus 2010 Annos-vasteet on tässä vain näytillä, ja oikeat käyttöön tulevat luvut ovat sivulla op_en:ERFs of environmental pollutants. Decisions(-) Obs Decision Option Variable Cell Change Result Description 1 Adjust BAU incidence Multiply 0.00001 1/100000 py --> 1 py 2 Adjust BAU PAF Exposure_agent:Saturated fat Multiply 1.132 Scaled from Wang to Finravinto 2017: mean(15.2,15.3,14.8,14.0)/13.1 3 Hepatitis Hepatitis B- BoD Multiply 0.995 Healthy people. Data from TerveSuomi 4 Hepatitis Hepatitis B+ BoD Multiply 0.005 Hepatitis B patients. Data from TerveSuomi 5 Adjust BAU ERF Response:Liver cancer Multiply 0.00001 1/100000py --> 1/py 6 Scenario Action PAF Exposure_agent:Saturated fat Multiply 0.911 : 0.944 : 0.971 Based on RUORI modelling (see code) 7 Scenario Action PAF Exposure_agent:Sodium Multiply 0.975 : 0.990 : 0.993 Based on RUORI modelling (see code) 8 Scenario BAU PAF Identity For completion 9 Scenario Action PAF Response:Toxoplasmosis;Age:Age 0 (congenital) Multiply 0 Complete testing and treatment of gongenital disease 10 Scenario Action PAF Response:Listeriosis Multiply 0 Complete testing and removal of pathogen 11 Scenario Action exposure Exposure_agent:Aflatoxin Multiply 0.95-1 0-5% reduction of exposure based on 10 % more testing 12 Scenario Action exposure Exposure_agent:Lead Multiply 0.963-0.975 2.5-3.7% reduction of exposure based on more testing 13 Threshold Yes ERF Exposure_agent:Lead;Observation:Threshold Identity Lanphear 2005 had the lowest exposure level at 24 ug/l 14 Threshold No ERF Exposure_agent:Lead;Observation:Threshold Replace 0-24 Sensitivity analysis looks whether reducing or removing threshold is important 15 Scenario BAU exposure Identity For completion 16 Scenario Action PAF Exposure_agent:Noro virus Multiply 0.65 : 1 : 1 35 % are from food industry so that is the max reduction from testing 17 Scenario Action PAF Exposure_agent:Vegetables Multiply 0.85 - 1 Based on RUORI modelling (see code) 18 Scenario Action PAF Exposure_agent:Fruits Multiply 0.82 - 1 Based on RUORI modelling (see code) 19 Adjust BAU exposure Add 0.01 Roughly 98 % of all exposures for Exposure_agents is > 0.005. This prevents NaN in log scaling. 20 Scenario Action exposure Exposure: To child; Age: Age 1 Replace 0.98 (0.17 - 2.9) Based on RUORI modelling (see code) 21 Scenario Action exposure Exposure: To eater; Age: Female 18-45 Replace 2.79 (0.56 - 7.08) Based on RUORI modelling (see code) 22 Scenario Action exposure Exposure: To eater; Age: Non female 18-45 Replace 11.38 (3.44 - 46.22) Based on RUORI modelling (see code) CollapseMarginals(-) Obs Variable Index Probs Function Dummy Description 1 BoD incidenceSource,disabilityweightSource,populationSource,BoDSource sum 1 Remove redundant 2 PAF Unit, Exposure, Scaling,Exposcen, ER_function, ERFchoiceSource, exposureSource, bgexposureSource, BWSource, doseSource, thresholdSource, ERFSource, RRSource, frexposedSource, incidenceSource, InpPAFSource sum 1 Remove redundant 3 case_burden case_burdenSource sum 1 Fill missing Ages 4 BoDattr PAFSource, Hepatitis, Adjust sum 1 Remove redundant 5 amount assumpSource, oftenSource, muchSource, oftensideSource, muchsideSource, amountRawSource, effinfoSource, effrecommSource, amountSource sum 1 Remove redundant 6 expo_indir f_ingSource, t0.5Source,f_mtocSource, BFSource sum 1 Remove redundant 7 dose Source, concSource, expo_dirSrouce, exposureSource, BWSource, Source.1 sum 1 Remove redundant 8 conc Fish 0, 1, 0, 0, 0, 0, 0.19, 0.19, 0.19, 0, 0, 0, 0, 0, 0, 0, 0.29, 0.14 sample 1 Probs relative to consumption; Baltic herring has equal weight with others combined because it is another scenario. Arctic char, Baltic herring, Bream, Burbot, Cod, Flounder, Perch, Pike, Pike-perch, Rainbow trout, River lamprey, Roach, Salmon, Sea trout, Sprat, Trout, Vendace, Whitefish 9 ERF Exposure, Age sum 1 Remove redundant 10 threshold Exposure, Age sum 1 Remove redundant

Laskenta

Yleiskuva terveysvaikutusten laskentamallista.

Keskeiset tulosteet

• Malliajo 5000 iteraatiota 11.8.2019 [4]

+ Näytä koodi- Piilota koodi # This is code Op_fi5889/ on page [[Ruori]] library(OpasnetUtils) library(ggplot2) library(thlGraphs) library(plotly) openv.setN(10) objects.latest("Op_fi5889", code_name="model") # First empty all objects for a fresh start. Otherwise may be problems with CheckDecisions. oempty(all=TRUE) InpBoD <- EvalOutput(InpBoD) InpPAF <- EvalOutput(InpPAF) utility <- EvalOutput(utility, verbose=TRUE) # Sample from default and sensitivity scenario about lead threshold. cat("Elintarvikeperäisen lyijyn vaikutukset herkkyystarkastelussa.\n") oprint(summary(BoDattr[BoDattr$Exposure_agent=="Lyijy",])) BoDattr <- CollapseMarginal(BoDattr,"Threshold","sample") utility <- CollapseMarginal(utility,"Threshold","sample") levels(BoDattr$Exposure_agent)[levels(BoDattr$Exposure_agent)=="Vihannesvaje"] <- "Kasvisvaje" #levels(BoDattr$Response) #[1] "Cancer morbidity" "IQ loss" "Listeriosis" "Liver cancer" #[5] "Noro infection" "Sperm concentration" "Toxoplasmosis" "Yes or no dental defect" #[9] "CHD death" "Diet high in sodium" "Diet low in fruits" "Diet low in vegetables" levels(BoDattr$Response) <- c( "Syöpä", "Älykkyysosamäärän lasku", "Listerioosi", "Maksasyöpä", "Noroinfektio", "Miehen hedelmättömyys", "Toksoplasmoosi", "Hammasvaurio", "Sydäntauti", "Liika suola", "Hedelmävaje", "Kasvisvaje" ) cat("Elintarvikeperäisiä tautitaakkoja Suomessa arpoen lyijylle oletetun tai matalamman kynnysarvon.\n") tmp <- summary(oapply(BoDattr[BoDattr$Scenario=="BAU",],NULL,sum,c("Age","Response"))) oprint(data.frame( Altiste = tmp$Exposure_agent, Keskiarvo = signif(tmp$mean,2), "95 luottamusväli" = paste0(signif(tmp$Q0.025,2)," - ", signif(tmp$Q0.975,2)), Keskihajonta = signif(tmp$sd,2) )[rev(match(lev, tmp$Exposure_agent)),]) cat("Elintarvikeperäisiä tautitaakkoja Suomessa ikä- ja tautiryhmittäin arpoen lyijylle oletetun tai matalamman kynnysarvon.\n") tmp <- summary(BoDattr[BoDattr$Scenario=="BAU",]) oprint(data.frame( Altiste = tmp$Exposure_agent, Ikä = tmp$Age, Vaste = tmp$Response, Keskiarvo = signif(tmp$mean,2), Mediaani = signif(tmp$median,2), "95 luottamusväli" = paste0(signif(tmp$Q0.025,2)," - ", signif(tmp$Q0.975,2)), Keskihajonta = signif(tmp$sd,2) )) cat("Ruori-skenaarioiden vaikutus tautitaakkaan\n") tmp <- summary(utility) oprint(data.frame( Altiste = tmp$Exposure_agent, Keskiarvo = signif(tmp$mean,2), "95 luottamusväli" = paste0(signif(tmp$Q0.025,2)," - ", signif(tmp$Q0.975,2)), Keskihajonta = signif(tmp$sd,2) )[rev(match(lev, tmp$Exposure_agent)),]) dodge <- position_dodge(width=0.7) if(FALSE) { gg <- ggplot(summary(oapply(BoDattr[BoDattr$Scenario=="BAU",],NULL,sum,"Age")), aes(x=Exposure_agent, weight=unlist(mean), fill=Response))+geom_bar()+ theme(legend.position = "bottom")+ labs( title="Elintarvikkeiden tautitaakkoja Suomessa", subtitle="Haittapainotettua elinvuotta vuodessa (DALY/a)")+ coord_flip() print(gg) gg <- ggplot(summary(oapply(BoDattr, NULL, sum,c("Age","Response"))), aes(x=Exposure_agent, weight=unlist(mean), fill=Scenario))+geom_bar(position="dodge")+ coord_flip(ylim=c(0,70000))+ labs( title="Elintarvikeperäisiä tautitaakkoja Suomessa", subtitle="Haittapainotettua elinvuotta vuodessa (DALY/a)")+ geom_errorbar(aes(ymin=unlist(Q0.025),ymax=unlist(Q0.975),group=Scenario),position=dodge, width=0.3)+ geom_text(aes(label=signif(unlist(mean),2), y=unlist(Q0.975)+5000, group=Scenario), position=dodge) print(gg) # Utility of actions gg <- ggplot(summary(utility),aes(x=Exposure_agent, weight=unlist(mean)))+geom_bar(fill="lightblue")+ coord_flip(ylim=c(-9000,0))+ labs( title="Ruori-skenaarioiden vaikutus tautitaakkaan", subtitle="Haittapainotettua elinvuotta vuodessa (DALY/a)")+ geom_errorbar(aes(ymin=unlist(Q0.025),ymax=unlist(Q0.975)), width=0.3)+ geom_text(aes(label=signif(unlist(mean),2), y=unlist(Q0.025)-600)) print(gg) } else { ###### RUN THESE ON OWN COMPUTER WITH thlGraphs PACKAGE # levels(BoDattr$Exposure_agent) # [1] "Aflatoksiini" "Dioksiini" "Norovirus" "Toksoplasma" # [5] "Lyijy" "Listeria" "Tyydyttynyt rasva" "Vihannesvaje" # [9] "Suola" "Hedelmävaje" levels(BoDattr$Exposure_agent) <- c( "Aflatoxin","Dioxin","Noro virus","Toxoplasma", "Lead","Listeria", "Saturated fat","Lack of vegetables","Sodium","Lack of fruits") thlBarPlot(summary(oapply(BoDattr[BoDattr$Scenario=="BAU",],NULL,sum,"Age")), xvar=Exposure_agent, yvar=unlist(mean), groupvar=Response, legend.position="bottom", colors=thlColors(n=12), title="Elintarvikkeiden tautitaakkoja Suomessa", subtitle="Haittapainotettua elinvuotta vuodessa (DALY/a)")+coord_flip() thlBarPlot(summary(oapply(BoDattr, NULL, sum,c("Age","Response"))),xvar=Exposure_agent, yvar=unlist(mean), groupvar=Scenario,stacked=FALSE, ylimits=c(0,70000), # title="Elintarvikeperäisiä tautitaakkoja Suomessa", # subtitle="Haittapainotettua elinvuotta vuodessa (DALY/a)")+ title="Burden of disease of selected food-mediated risk factors in Finland", subtitle="Disability-adjusted life years per year (DALY/a)")+ coord_flip()+ geom_errorbar(aes(ymin=unlist(Q0.025),ymax=unlist(Q0.975),group=Scenario),position=dodge, width=0.3)+ geom_text(aes(label=signif(unlist(mean),2), y=unlist(Q0.975)+5000, group=Scenario), position=dodge) ggsave("Ruori Burden of disease.png",width=10,height=6) # ggsave("Ruori-tautitaakka.png",width=10,height=6) # Error bars are not used in this plotly because it is unclear what it means in a stacked bar. p <-plot_ly( summary(oapply(BoDattr[BoDattr$Scenario=="BAU",], NULL, sum,c("Age"))), y=~Exposure_agent, x=~signif(mean,3), text=~Response, name=~Response, type="bar", orientation = "h" ) %>% layout( barmode="stack", title="Elintarvikeperäisiä tautitaakkoja Suomessa", xaxis=list(title="Haittapainotettua elinvuotta vuodessa (DALY/a)"), yaxis=list(title="") ) # pushIndicatorGraph(p, 117) # ggsave("Ruori-tautitaakat.png",width=10/1.2,height=6/1.2) # Utility of actions thlBarPlot(summary(utility),xvar=Exposure_agent, yvar=unlist(mean), ylimits=c(-9000,0), title="Ruori-skenaarioiden vaikutus tautitaakkaan", subtitle="Haittapainotettua elinvuotta vuodessa (DALY/a)")+coord_flip()+ geom_errorbar(aes(ymin=unlist(Q0.025),ymax=unlist(Q0.975)), width=0.3)+ geom_text(aes(label=signif(unlist(mean),2), y=unlist(Q0.025)-600)) # ggsave("Ruori-toimenpideiden vaikutus.png",width=10/1.2,height=6/1.2) }

Arviointimallin alustus

• Linkit vanhempiin ajoihin arkistosta.
• Malliajo 10.8.2019 toksoplasma korjattu. Stored-versio [5]

+ Näytä koodi- Piilota koodi # This is code Op_fi5889/model on page [[Ruori]] library(OpasnetUtils) library(ggplot2) # First empty all objects for a fresh start. Otherwise may be problems with CheckDecisions. oempty(all=TRUE) openv.setN(1000) dat <- opbase.data("Op_fi5889", subset="Malliparametrit")[-1] dec <- opbase.data("Op_fi5889", subset="Decisions")[-1] DecisionTableParser(dec) CTable <- opbase.data("Op_fi5889",subset="CollapseMarginals") for(i in 1:ncol(CTable)) {CTable[[i]] <- as.character(CTable[[i]])} CollapseTableParser(CTable) cat("Laskennassa käytetty data.\n") oprint(dat) cat("Tarkastellut päätökset.\n") oprint(dec) cat("Aggregoidut marginaalit.\n") oprint(CTable) #' prepare adjusts the data table for ovariables. Requires function subgrouping from code Op_en2031/initiate on page [[Exposure-response function]] #' @param dat data.frame #' @param type type of data that is used. Must match content in column Type #' @param drop columns to remove #' @return data.frame prepare <- function(dat, type=NULL, drop=NULL) { out <- dat if(!is.null(type)) out <- out[out$Type %in% type , ] if(!is.null(drop)) out <- out[!colnames(out) %in% drop] return(subgrouping(out)) } objects.latest("Op_en2031", code_name="subgrouping") # [[Exposure-response function]] subgrouping population <- Ovariable("population", data = prepare(dat,"population",c("Type","Exposure_agent","Response","Unit"))) exposure <- Ovariable("exposure", data = prepare(dat, "exposure", c("Type","Response"))) frexposed <- Ovariable("frexposed", data=prepare(dat, "frexposed", c("Type","Response","Unit"))) incidence <- Ovariable("incidence", data = prepare(dat,"incidence",c("Type","Exposure_agent","Unit"))) ERFChoice <- Ovariable( "ERFchoice", data=data.frame( Response=c("IQ loss","Liver cancer","Yes or no dental defect","Cancer morbidity","Sperm concenctration"), Exposure_agent=c("Lead","Aflatoxin","TEQ","TEQ","TEQ"), Result=1) ) case_burden <- Ovariable("case_burden", data= prepare(dat,"case burden",c("Type","Exposure_agent","Unit"))) InpPAF <- EvalOutput(Ovariable("InpPAF", data = prepare(dat,"PAF","Type"))) InpBoD <- EvalOutput(Ovariable("InpBoD", data = prepare(dat, "BoD", c("Type","Exposure_agent")))) objects.latest("Op_en2261",code_name="BoDattr2") # [[Health impact assessment]] #levels(BoDattr$Exposure_agent) #[1] "Aflatoxin" "Lead" "TEQ" "Fruits" "Listeria" "Noro virus" "Saturated fat" "Sodium" #[8] "Toxoplasma gondii" "Vegetables" BoDattrOrigFormula <- BoDattr@formula BoDattr@formula <- function(...) { BoDattr <- BoDattrOrigFormula() levels(BoDattr$Exposure_agent) <- c("Aflatoksiini","Lyijy", "Dioksiini", "Hedelmävaje","Listeria","Norovirus", "Tyydyttynyt rasva","Suola", "Toksoplasma","Vihannesvaje") lev <- oapply(BoDattr[BoDattr$Scenario=="BAU",],"Exposure_agent",sum) lev <- lev$Exposure_agent[order(result(lev))] BoDattr$Exposure_agent <- factor(BoDattr$Exposure_agent, levels=lev) return(BoDattr) } utility <- Ovariable( "utility", dependencies = data.frame(Name="BoDattr"), formula = function(...) { out <- BoDattr * Ovariable(data=data.frame(Scenario=c("Action","BAU"),Result=c(1,-1))) out <- oapply(out, cols=c("Scenario","Response","Age"),FUN=sum) return(out) } ) utility <- EvalOutput(utility) lev <- levels(BoDattr$Exposure_agent) cat("exposure\n") oprint(summary(exposure,marginals=c("Exposure_agent","Age","Scenario")),digits=7) oprint(exposure@output[exposure$Iter==1,]) cat("dose\n") oprint(summary(dose),digits=7) cat("ERF\n") oprint(ERF@output[ERF$Iter==1,],digits=7) cat("incidence\n") oprint(summary(incidence),digits=7) cat("frexposed\n") oprint(summary(frexposed),digits=7) cat("PAF\n") oprint(summary(PAF),digits=7) cat("BoD\n") oprint(summary(BoD),digits=7) cat("BoDattr\n") oprint(summary(BoDattr,marginals=c("Response","Exposure_agent","Scenario","Age")),digits=7) cat("Vähennyspotentiaali\n") tmp <- summary(utility, marginals=c("Exposure_agent")) oprint(tmp[order(unlist(tmp$mean)),]) objects.store(list=setdiff(ls(), "wiki_username")) cat("Objects", setdiff(ls(), "wiki_username"), "stored.\n") ################### # Disease burden # Sample from default and sensitivity scenario about lead threshold. cat("Elintarvikeperäisen lyijyn vaikutukset herkkyystarkastelussa.\n") oprint(summary(BoDattr[BoDattr$Exposure_agent=="Lyijy",])) BoDattr <- CollapseMarginal(BoDattr,"Threshold","sample") utility <- CollapseMarginal(utility,"Threshold","sample") cat("Elintarvikeperäisiä tautitaakkoja Suomessa\n") tmp <- summary(oapply(BoDattr[BoDattr$Scenario=="BAU",],NULL,sum,c("Age","Response"))) oprint(data.frame( Altiste = tmp$Exposure_agent, Keskiarvo = signif(tmp$mean,2), "95 luottamusväli" = paste0(signif(tmp$Q0.025,2)," - ", signif(tmp$Q0.975,2)), Keskihajonta = signif(tmp$sd,2) )[rev(match(lev, tmp$Exposure_agent)),]) cat("Ruori-skenaarioiden vaikutus tautitaakkaan\n") tmp <- summary(utility) oprint(data.frame( Altiste = tmp$Exposure_agent, Keskiarvo = signif(tmp$mean,2), "95 luottamusväli" = paste0(signif(tmp$Q0.025,2)," - ", signif(tmp$Q0.975,2)), Keskihajonta = signif(tmp$sd,2) )[rev(match(lev, tmp$Exposure_agent)),]) dodge <- position_dodge(width=0.7) ggplot(summary(oapply(BoDattr[BoDattr$Scenario=="BAU",],NULL,sum,"Age")), aes(x=Exposure_agent, weight=unlist(mean), fill=Response))+geom_bar()+ theme(legend.position = "bottom")+ labs( title="Elintarvikkeiden tautitaakkoja Suomessa", subtitle="Haittapainotettua elinvuotta vuodessa (DALY/a)")+ coord_flip() ggplot(summary(oapply(BoDattr, NULL, sum,c("Age","Response"))), aes(x=Exposure_agent, weight=unlist(mean), fill=Scenario))+geom_bar(position="dodge")+ coord_flip(ylim=c(0,70000))+ labs( title="Elintarvikeperäisiä tautitaakkoja Suomessa", subtitle="Haittapainotettua elinvuotta vuodessa (DALY/a)")+ geom_errorbar(aes(ymin=unlist(Q0.025),ymax=unlist(Q0.975),group=Scenario),position=dodge, width=0.3)+ geom_text(aes(label=signif(unlist(mean),2), y=unlist(Q0.975)+5000, group=Scenario), position=dodge) # Utility of actions ggplot(summary(utility),aes(x=Exposure_agent, weight=unlist(mean)))+geom_bar(fill="lightblue")+ coord_flip(ylim=c(-9000,0))+ labs( title="Ruori-skenaarioiden vaikutus tautitaakkaan", subtitle="Haittapainotettua elinvuotta vuodessa (DALY/a)")+ geom_errorbar(aes(ymin=unlist(Q0.025),ymax=unlist(Q0.975)), width=0.3)+ geom_text(aes(label=signif(unlist(mean),2), y=unlist(Q0.025)-600))

Dioksiini- ja muu valmistelu

• Linkit vanhempiin ajoihin löytyvät arkistosta.
• Malliajo 18.6.2019 toimii omalla koneella [6]

+ Näytä koodi- Piilota koodi # This is code Op_fi5889/prepare on page [[Ruori]] library(OpasnetUtils) library(ggplot2) rm(list=ls()) rm(list=ls(envir = openv),envir=openv) openv.setN(10000) ############################## # Pb exposure in children # Data feched from \\helfs01.thl.fi/documents/YMAL/Projects/TUORI/tautitaakka/lyijy/Lyijy_tautitaakkadata.xlsx # Pb <- re#ad.csv("clipboard",sep="\t",dec=",") # ggplot(Pb, aes(x=Pb, fill=as.character(Age)))+geom_density(alpha=0.5) # Population data if(FALSE) { # Read population data 2018 from Statistics Finland #vae <- re#ad.csv("https://pxnet2.stat.fi:443/PXWeb/sq/ac3373d0-e303-4c67-b32a-73c6d26df809", skip=2) #vae$Ikä <- as.numeric(gsub(" -","",as.character(vae$Ikä))) cat("Ages 1, 25-64, 65-74, 25-29, 70+, Total population, 0, 1+, Female 18-45, Non female 18-45\n") c( sum(vae$X2018[vae$Ikä==1]), # Age 1 sum(vae$X2018[vae$Ikä>=25 & vae$Ikä <65]), # Age 25-64 sum(vae$X2018[vae$Ikä>=65 & vae$Ikä <75]), # Age 65-74 sum(vae$X2018[vae$Ikä>=25 & vae$Ikä <70]), # Age 25-69 sum(vae$X2018[vae$Ikä>=70 & vae$Ikä <101]), # Age 70+ sum(vae$X2018), # Total population sum(vae$X2018[vae$Ikä==0]), # Age 0 sum(vae$X2018[vae$Ikä>=1]), # Age 1+ sum(vae$X2018[vae$Ikä>=18 & vae$Ikä <46 & vae$Sukupuoli=="Naiset"]), #Female 18-45 sum(vae$X2018[!(vae$Ikä>=18 & vae$Ikä <46 & vae$Sukupuoli=="Naiset")]) #Non female 18-45 ) } ##########################3 dat <- opbase.data("Op_fi5889", subset="Malliparametrit")[-1] dec <- opbase.data("Op_fi5889", subset="Decisions")[-1] DecisionTableParser(dec) CTable <- opbase.data("Op_fi5889",subset="CollapseMarginals") for(i in 1:ncol(CTable)) {CTable[[i]] <- as.character(CTable[[i]])} CollapseTableParser(CTable) cat("Laskennassa käytetty data.\n") oprint(dat) cat("Tarkastellut päätökset.\n") oprint(dec) cat("Aggregoidut marginaalit.\n") oprint(CTable) #' prepare adjusts the data table for ovariables. Requires function subgrouping from code Op_en2031/initiate on page [[Exposure-response function]] #' @param dat data.frame #' @param type type of data that is used. Must match content in column Type #' @param drop columns to remove #' @return data.frame prepare <- function(dat, type=NULL, drop=NULL) { out <- dat if(!is.null(type)) out <- out[out$Type %in% type , ] if(!is.null(drop)) out <- out[!colnames(out) %in% drop] return(subgrouping(out)) } objects.latest("Op_en2031", code_name="initiate") # [[Exposure-response function]] subgrouping ###### Concentration data objects.latest("Op_en3104", code_name="preprocess") # [[EU-kalat]]") eu2 # Get a lognormal concentration distribution for each fish species using same sd and individual means conc <- Ovariable( "conc", dependencies=data.frame(Name=c("eu2")), formula = function(...) { out <- (oapply(eu2[eu2$Compound %in% c("PCDDF", "PCB") , ], NULL, sum, "Compound")) out <- oapply(log(out), c("Fish","eu2Source"), mean) result(out) <- paste(result(out), oapply(out, c("eu2Source"), sd)$eu2Result, sep="+-") out <- out@output[colnames(out@output)!="eu2Source"] colnames(out)[colnames(out)=="eu2Result"] <- "Result" out$Exposure_agent <- "TEQ" out <- exp(EvalOutput(Ovariable("conc",data=out))) out$Scenario <- ifelse(out$Fish=="Baltic herring", "BAU","Action") return(out) } ) ######## Fish intake data objects.latest("Op_en7749", code_name = "initiate") # [[Goherr: Fish consumption study]] ## Variables assump, often, much, oftenside, muchside, amountRaw, effinfo, effrecomm, amount effinfo <- 0 # We are not interested in changes in amount effrecomm <- 0 amountOrigFormula <- amount@formula amount@formula <- function(...) { out <- amountOrigFormula(...) out <- oapply(out[out$Fish=="Herring",], NULL, sum, "Fish") out <- out * info return(out) } # Stores non-marginal columns for further use. info <- Ovariable( "info", dependencies = data.frame(Name = c("jsp")), formula = function(...) { out <- unique(jsp@output[c("Iter","Country","Gender","Ages","Row")]) out <- out[out$Country=="FI",] out$Group <- paste(out$Gender, out$Ages) out$Group <- ifelse(out$Group=="Female 18-45", out$Group, "Non female 18-45") out$Result <- 1 return(out) } ) expo_bg <- 0 expo_dir <- Ovariable( "expo_dir", dependencies=data.frame(Name=c("amount","conc","expo_bg")), formula = function(...) { out <- amount * conc out <- Ovariable(data = data.frame( Exposcen = c("BAU", "No exposure"), Result = c(1, 0) )) * out + expo_bg out$Exposure <- as.factor( ifelse( out$Exposure_agent %in% c("DHA", "MeHg"), "To child", "To eater" ) ) out@marginal[colnames(out@output)=="Exposcen"]<- TRUE return(out) } ) ### mc2d makes a 2D Monte Carlo with assumed 50 individuals in data. Exposure is their average. exposure <- Ovariable( "exposure", dependencies = data.frame( Name = c( "expo_dir", # direct exposure, i.e. the person eats or breaths the exposure agent themself "expo_indir", # indirect exposure, i.e. the person (typically fetus or infant) is exposed via someone else (mother) "mc2d" # 2D Monte Carlo function ), Ident = c( NA, "Op_en7797/expo_indir", # [[Infant's dioxin exposure]] # expo_indir "Op_en7805/mc2d") # [[Two-dimensional Monte Carlo]] ), formula = function(...) { out <- combine(expo_dir, expo_indir) out <- unkeep(out, "Source.1", sources=TRUE) out <- mc2d(out) return(out) } ) exposure@meta <- c( exposure@meta, list(units = "To eater: pg /day; to child: pg /g fat") ) mc2dparam<- list( N2 = 1000, # Number of iterations in the new Iter strength = 50, # Sample size to which the fun is to be applied. Resembles number of observations run2d = TRUE, # Should the mc2d function be used or not? info = info, # Ovariable that contains additional indices, e.g. newmarginals. newmarginals = c("Group","Exposure"), # Names of columns that are non-marginals but should be sampled enough to become marginals method = "bootstrap", # which method to use for 2D Monte Carlo? Currently bootsrap is the only option. fun = mean # Function for aggregating the first Iter dimension. ) exposure <- EvalOutput(exposure,verbose=TRUE) oprint(summary(exposure[exposure$Exposcen=="BAU",], marginals=c("Exposure_agent","Scenario","Group","Exposure"))) oprint(summary(conc)) oprint(summary(amount*info,marginals="Group")) ggplot(conc@output, aes(x=concResult, colour=Scenario))+stat_ecdf()+scale_x_log10() ggplot((info*amount)@output, aes(x=amountResult+0.01, colour=Group))+stat_ecdf()+scale_x_log10() ggplot(info*expo_indir@output, aes(x=expo_indirResult+0.01, colour=Group))+stat_ecdf()+scale_x_log10()+facet_grid(Group~Exposure) ggplot(exposure@output[exposure$Exposcen=="BAU",], aes(x=exposureResult, colour=Scenario))+geom_density()+facet_grid(Group~Exposure) tmp <- summary(exposure[exposure$Exposcen=="BAU",], marginals=c("Scenario","Group","Exposure")) tmp[4:10] <- as.data.frame(lapply(tmp[4:10], function(x) round(x, 2))) tmp$out <- paste0(tmp$mean, " (",tmp$Q0.025, " - ", tmp$Q0.975, ")") oprint(tmp) tmp$out ############################## # Domestic fish consumption. Used to give weights to fish species concentration data tmp <- opbase.data("Op_en7749", subset="Fish consumption as food in Finland") tmp <- tmp[tmp$Origin=="domestic fish" & !tmp$Species %in% c( "Total", "Farmed rainbow trout","Baltic herring", "Other domestic fish") & tmp$Year==2017 , !colnames(tmp) %in% c("Obs","Origin", "Year")] colnames(tmp)[colnames(tmp)=="Species"] <- "Fish" levels(tmp$Fish)[ match(c("European whitefish", "Pike perch"), levels(tmp$Fish))] <- c("Whitefish","Pike-perch") tmp$Result <- tmp$Result / sum(tmp$Result) tmp <- merge(unique(eu2@output["Fish"]), tmp, all.x=TRUE) tmp$Result[is.na(tmp$Result)] <- 0 tmp$Result[tmp$Fish=="Baltic herring"] <- 1 # Baltic herring is on BAU scenario and gets equal weight with others combined cat("Copy these weights to CollapseMarginal table for conc Collapsing.\n") round(tmp$Result,2) ###### This is temporary code that is used to calculate the option "Action" of decision "Scenario". population <- Ovariable("population", data = prepare(dat,"population",c("Type","Exposure_agent","Response","Unit"))) reduction <- Ovariable("reduction", data = prepare(dat,"reduction",c("Type","Response"))) intake <- Ovariable("intake", data = prepare(dat,"intake",c("Type","Response"))) recommendation <- Ovariable("recommendation", data = prepare(dat,"recommendation",c("Type","Response"))) eaters <- Ovariable("eaters", data = prepare(dat,"eaters",c("Type","Response","Unit"))) PAF_factor <- Ovariable( "PAF_factor", dependencies=data.frame(Name=c("reduction","intake","recommendation","eaters","population")), formula = function(...) { out <- 1 - reduction / (intake - recommendation) * eaters / population return(out) } ) PAF_factor <- EvalOutput(PAF_factor) ggplot(PAF_factor@output, aes(x=PAF_factorResult, fill=Exposure_agent))+geom_density()+facet_wrap(~Exposure_agent) summary(PAF_factor) # The PAF_factor distributions for saturated fat and sodium are NOT normally distributed. Instead, triangular # distribution seems to be a reasonable fit with parameters: # Sodium: triangular 0.975 : 0.990 : 0.993 # Saturated fat: triangular 0.911 : 0.944 : 0.971 ##### Q25 was used when 25 quantiles were estimated. Now we use rnorm estimate. Q25 <- function(x) { return(round(quantile(x, probs = seq(0.02, 0.98, 0.04)),1)) } summary(exposure[exposure$Exposcen=="BAU",], marginals=c("Exposure","Group","Scenario"), "Q25") ################ Insight network gr <- scrape(type="assessment") objects.latest("Op_en3861", "makeGraph") # [[Insight network]] gr <- makeGraph(gr) #export_graph(gr, "ruori.svg") render_graph(gr)

Katso myös

• op_en:Goherr assessment
• Ruori